Produktsuche · Vektor-Suche · KI-Search

Produktsuche, dieIntent versteht - nicht nur Keywords

Wir bauen Suchen für Shopware, Magento, Shopify und Headless-Shops - vom klassischen Elasticsearch bis hin zu semantischer Vektor-Suche mit Embeddings, Hybrid Search und KI-Shopping-Assistenten. Schneller Treffer, weniger No-Results, höhere Konversion.

Such-Audit anfragen E-Commerce Übersicht

Warum klassische Shopsuche 2026 nicht mehr reicht

Die Standard-Suche der meisten Shop-Systeme basiert auf reinem Keyword-Matching. Sucht jemand nach „wasserdichte Wanderschuhe für Damen Größe 39“, scheitert das schon an einer fehlenden Synonymliste oder einer ungünstigen Tokenisierung. Studien zeigen, dass 15–30 % aller Suchanfragen in Shops zu „No Result“-Seiten führen - und damit zu direktem Umsatzverlust.

Moderne Produktsuche kombiniert daher drei Ebenen: Keyword-Suche für präzise Treffer (BM25, Elasticsearch/OpenSearch), semantische Vektor-Suche für Intent und Synonyme (Embeddings + Vektor-DB) und einen Reranker oder ein LLM, das die finale Reihenfolge nach Relevanz, Verfügbarkeit und Personalisierung sortiert.

Wir wählen den passenden Stack pro Use-Case: vom schlanken Typesense-Setup für einen B2C-Shop über Algolia mit AI-Personalization bis hin zu einer Hybrid-Search-Architektur aus OpenSearch, Qdrant und einem Cohere- oder Voyage-Reranker. Self-Hosted oder SaaS - Hauptsache, die Suche bringt Umsatz.

Unser Such-Stack - von klassisch bis KI

Wir kombinieren bewährte Such-Engines mit modernen KI-Komponenten zu einer Suche, die wirklich konvertiert

Elasticsearch & OpenSearch

Die Klassiker für skalierbare Volltextsuche - voll integriert in Shopware 6, Magento 2 und Custom-Backends.

✓Mapping, Analyzer & Synonyme
✓Facettensuche & Filter-Aggregationen
✓Self-Hosted oder Elastic Cloud

SaaS-Suche: Algolia, Typesense, Meilisearch

Schnelle Time-to-Market mit gehosteter Suche - Instant-Search, Typo-Toleranz und A/B-Testing out of the box.

✓Algolia inkl. AI Personalization
✓Typesense für Open-Source-Fans
✓Meilisearch self-hosted oder Cloud

Semantische Vektor-Suche

Embeddings machen Suche intent-basiert: gleiche Bedeutung trotz anderer Wortwahl, mehrsprachig out of the box.

✓OpenAI, Voyage, Cohere Embeddings
✓Qdrant, Weaviate, Pinecone, pgvector
✓Multi-Modal: Text + Bild-Embeddings

Hybrid Search & Reranking

BM25 + Vektor kombiniert per Reciprocal Rank Fusion und einem Cross-Encoder- oder LLM-Reranker - das Beste aus beiden Welten.

✓Keyword + Semantic in einem Score
✓Cohere Rerank, Voyage Rerank
✓Personalisierung pro User-Segment

KI-Conversational-Search

Shopping-Assistenten auf Basis von LLMs und RAG: Der Kunde beschreibt das Problem, die KI empfiehlt das passende Produkt.

✓RAG auf Produkt- und Content-Daten
✓Beratung, Vergleich, Cross-Selling
✓Streaming-UI, Tool-Use, Citations

PIM-Kopplung, Feeds & Personalisierung

Saubere Daten sind die Basis jeder guten Suche - wir verbinden PIM, ERP und Verhaltensdaten zu einem aktuellen Index.

✓Akeneo, Pimcore, Custom-PIMs
✓Event-basierte Re-Indexierung
✓Personalisierung auf Klick- & Bestelldaten

Technologien, mit denen wir arbeiten

Wir empfehlen den Stack, der zu Sortimentgröße, Team und Budget passt - nicht den, der gerade Trend ist

Such-Engines

Elasticsearch, OpenSearch, Algolia, Typesense, Meilisearch, Solr

Vektor-Datenbanken

Qdrant, Weaviate, Pinecone, Milvus, pgvector, Elastic Vector Search

Embeddings & Reranker

OpenAI text-embedding-3, Voyage, Cohere Embed & Rerank, BGE, Jina

LLMs für RAG & Chat

Claude (Opus 4.7, Sonnet 4.6), GPT-5, Gemini, Mistral, lokale Llama-Modelle

Shop-Integration

Shopware 6, Magento 2, Shopify, Headless via Next.js & Storefront-APIs

Datenquellen

Akeneo, Pimcore, ERP-Feeds, GraphQL, Kafka & Webhook-Events

Unser Such-Projekt-Prozess

Von der Daten-Analyse bis zum Relevanz-Tuning im Live-Betrieb

Such-Audit & Datenanalyse

Wir analysieren Such-Logs, No-Result-Queries, Klick- und Konversionsraten und legen damit die Baseline für die Optimierung fest.

Architektur & Stack-Auswahl

Self-Hosted (Elasticsearch/OpenSearch) oder SaaS (Algolia, Typesense, Meilisearch)? Mit oder ohne Vektor-Layer und Reranker - wir wählen den passenden Stack für Ihr Sortiment und Budget.

Daten-Pipeline & Indexing

Anbindung an PIM, ERP, Shop-Backend und Feeds. Mapping, Analyzer, Synonyme, Embeddings-Generierung und inkrementelle Re-Indexierung über Event-Streams.

Frontend, Facetten & UX

Instant-Search, Autosuggest, Filter, Visual Search und konversionsstarke Result-Pages - sauber integriert in Shopware, Magento, Shopify oder Headless-Frontends.

Relevanz-Tuning & Monitoring

A/B-Tests, Boosting-Regeln, LLM-Reranker, Personalisierung und kontinuierliches Monitoring von Such-KPIs (CTR, Conversion, No-Result-Rate).

Häufig gestellte Fragen

Antworten zu moderner Produktsuche, Vektor-Suche und KI-Search

Brauche ich überhaupt noch Elasticsearch, wenn es Vektor-Suche gibt?

Ja - in den meisten Shops. Reine Vektor-Suche ist bei exakten Produktnummern, SKUs oder Marken oft schlechter als BM25. Die beste Lösung ist in der Regel Hybrid Search: Elasticsearch oder OpenSearch für das Keyword-Matching, Embeddings für die semantische Ebene und ein Reranker, der beides kombiniert. Genau diesen Stack bauen wir am häufigsten.

Self-Hosted (Elasticsearch/OpenSearch) oder SaaS (Algolia, Typesense)?

Faustregel: Bis ~50.000 Produkte und wenn schnelles Time-to-Market zählt, ist Algolia oder Typesense Cloud meist die beste Wahl. Bei Millionen Produkten, vielen Sprachen oder strengen DSGVO-Anforderungen lohnt sich Self-Hosting auf eigenen Servern oder in der EU-Cloud. Wir machen das Entscheidungs-Assessment im Audit-Schritt transparent - inklusive 3-Jahres-TCO.

Was bringt KI-Conversational-Search im Shop konkret?

Statt nur Trefferlisten zu liefern, beantwortet ein LLM-basierter Shopping-Assistent Fragen wie „Welche Bohrmaschine ist für gelegentlichen Heimwerker-Einsatz im Beton geeignet und kostet unter 200 €?“ Auf Basis von RAG werden Produkte aus dem Katalog zitiert und verglichen. Typische Effekte: 2–4× längere Verweildauer, deutlich höhere Conversion bei beratungsintensiven Sortimenten, weniger Retouren durch besseres Matching.

Was sind typische Fehler bei Such-Implementierungen?

Zu generisches Mapping, fehlende Synonyme, keine Beobachtung von No-Result-Queries, keine A/B-Tests beim Boosting, ein Embedding-Modell ohne deutschsprachiges Training, fehlendes Reranking, sowie Indizes, die nur nachts neu gebaut werden statt event-basiert. Wir identifizieren diese Punkte systematisch im Audit und beheben sie priorisiert nach Umsatz-Impact.

Welche Verbesserungen kann ich erwarten?

In Projekten mit unsauberer Bestandssuche sehen wir typischerweise +20–35 % Conversion-Rate aus der Suche, eine Reduktion der No-Result-Rate um 50–80 % und spürbar weniger Support-Anfragen vom Typ „Ich finde das Produkt nicht“. Die konkreten Zahlen quantifizieren wir vorher am Daten-Audit Ihres Shops.

Wie passt das zur DSGVO?

Vektor-Datenbanken und Such-Engines können vollständig in der EU oder on-premise betrieben werden (Qdrant, Weaviate, OpenSearch, pgvector). Für LLM-Komponenten setzen wir auf europäische Anbieter, AWS Bedrock EU oder Azure OpenAI EU. Embedding- und Such-Logs werden anonymisiert, Personenbezug bleibt im Shop-System. Details dazu auf KI & DSGVO.

Bereit für eine Suche, die Umsatz bringt?

Wir starten mit einem kompakten Such-Audit: Wir analysieren Such-Logs, No-Result-Queries und Konversionsraten und zeigen Ihnen den schnellsten Pfad zu mehr Relevanz - egal ob klassisch, hybrid oder KI-gestützt.

Such-Audit anfragen